Ultralytics Integrações

Bem-vindo à página de integrações do Ultralytics ! Esta página fornece uma visão geral das nossas parcerias com várias ferramentas e plataformas, concebidas para simplificar os teus fluxos de trabalho de aprendizagem automática, melhorar a gestão de conjuntos de dados, simplificar a formação de modelos e facilitar a implementação eficiente.

Observa: Ultralytics YOLOv8 Implementação e integrações

Integrações de conjuntos de dados

• Roboflow: Facilita a gestão de conjuntos de dados sem descontinuidades para modelos Ultralytics , oferecendo capacidades robustas de anotação, pré-processamento e aumento.

Integrações de formação

• ClearML: Automatiza os teus fluxos de trabalho de Ultralytics ML, monitoriza experiências e promove a colaboração entre equipas.

• Comet ML: Melhora o desenvolvimento do teu modelo com Ultralytics , acompanhando, comparando e optimizando as tuas experiências de aprendizagem automática.

• DVC: Implementa o controlo de versões para os teus projectos de aprendizagem automática Ultralytics , sincronizando dados, código e modelos de forma eficaz.

• MLFlow: Simplifica todo o ciclo de vida de ML dos modelos Ultralytics , desde a experimentação e reprodutibilidade até à implementação.

• Ultralytics HUB: Acede e contribui para uma comunidade de modelos Ultralytics pré-treinados.

• Neptune: Mantém um registo completo das tuas experiências de ML com Ultralytics neste armazenamento de metadados concebido para MLOps.

• Ray Tune: Optimiza os hiperparâmetros dos teus modelos Ultralytics em qualquer escala.

• TensorBoard: Visualiza os teus Ultralytics fluxos de trabalho de ML, monitoriza as métricas do modelo e promove a colaboração da equipa.

• Weights & Biases (W&B): Monitoriza experiências, visualiza métricas e promove a reprodutibilidade e a colaboração em projectos Ultralytics .

• Amazon SageMaker: Aproveita o Amazon SageMaker para criar, treinar e implementar eficientemente modelos Ultralytics , fornecendo uma plataforma tudo-em-um para o ciclo de vida do ML.

• Paperspace Gradiente: Paperspace A Gradient simplifica o trabalho em projectos YOLOv8 , fornecendo ferramentas na nuvem fáceis de utilizar para treinar, testar e implementar os teus modelos rapidamente.

• Google Colab: Utiliza o Google Colab para treinar e avaliar modelos Ultralytics num ambiente baseado na nuvem que suporta a colaboração e a partilha.

Integrações de implantação

• Neural Magic: Aproveita o Quantization Aware Training (QAT) e as técnicas de poda para otimizar os modelos Ultralytics para um desempenho superior e um tamanho mais reduzido.

• Gradio 🚀 NOVO: Implementa modelos Ultralytics com o Gradio para demonstrações interactivas e em tempo real de deteção de objectos.

• TorchScript: Desenvolvido como parte da estrutura PyTorchTorchScript permite a execução e implementação eficientes de modelos de aprendizagem automática em vários ambientes de produção sem a necessidade de Python dependências.

• ONNX: Um formato de código aberto criado pela Microsoft para facilitar a transferência de modelos de IA entre várias estruturas, aumentando a versatilidade e a flexibilidade de implementação dos modelos Ultralytics .

• OpenVINO: Conjunto de ferramentas da Intel para otimizar e implementar modelos de visão computacional de forma eficiente em várias plataformas Intel CPU e GPU.

• TensorRT: Desenvolvido pela NVIDIA, esta estrutura de inferência de aprendizagem profunda de alto desempenho e formato de modelo optimiza os modelos de IA para uma velocidade e eficiência aceleradas nas GPUs NVIDIA, garantindo uma implementação simplificada.

• CoreML: CoreML, desenvolvido pela Apple, é uma estrutura concebida para integrar de forma eficiente modelos de aprendizagem automática em aplicações iOS, macOS, watchOS e tvOS, utilizando o hardware da Apple para uma implementação eficaz e segura dos modelos.

• TF SavedModel: Desenvolvido pela Google, TF SavedModel é um formato de serialização universal para modelos TensorFlow , permitindo uma partilha e implementação fáceis numa vasta gama de plataformas, desde servidores a dispositivos de ponta.

• TF GraphDef: Desenvolvido pela Google, o GraphDef é o formato do TensorFlow para representar gráficos de computação, permitindo a execução optimizada de modelos de aprendizagem automática em diversos tipos de hardware.

• TFLite: Desenvolvido pela Google, o TFLite é uma estrutura leve para a implementação de modelos de aprendizagem automática em dispositivos móveis e periféricos, garantindo uma inferência rápida e eficiente com um consumo mínimo de memória.

• TFLite Edge TPU: Desenvolvido pela Google para otimizar os modelos TensorFlow Lite em TPUs Edge, este formato de modelo garante uma computação de ponta eficiente e de alta velocidade.

• TF.js: Desenvolvido pela Google para facilitar a aprendizagem automática em navegadores e Node.js, o TF.js permite a implementação de modelos de ML com base em JavaScript.

• PaddlePaddle: Uma plataforma de aprendizagem profunda de código aberto da Baidu, PaddlePaddle permite a implementação eficiente de modelos de IA e centra-se na escalabilidade das aplicações industriais.

• NCNN: Desenvolvido pela Tencent, o NCNN é uma estrutura de inferência de rede neural eficiente adaptada a dispositivos móveis. Permite a implementação direta de modelos de IA em aplicações, optimizando o desempenho em várias plataformas móveis.

Formatos de exportação

Também suportamos uma variedade de formatos de exportação de modelos para implementação em diferentes ambientes. Vê aqui os formatos disponíveis:

Explora as ligações para saberes mais sobre cada integração e como tirar o máximo partido delas com Ultralytics. Ver completo export detalhes no Exportação página.

Contribui para as nossas integrações

Estamos sempre entusiasmados por ver como a comunidade integra Ultralytics YOLO com outras tecnologias, ferramentas e plataformas! Se tiveres integrado com êxito o YOLO com um novo sistema ou se tiveres conhecimentos valiosos para partilhar, considera contribuir para os nossos documentos de integrações.

Ao escrever um guia ou tutorial, podes ajudar a expandir a nossa documentação e fornecer exemplos reais que beneficiam a comunidade. É uma excelente maneira de contribuir para o crescente ecossistema em torno de Ultralytics YOLO .

Para contribuir, por favor consulta o nosso Guia de Contribuição para obteres instruções sobre como submeter um Pull Request (PR) 🛠️. Aguardamos ansiosamente as tuas contribuições!

Vamos colaborar para tornar o ecossistema Ultralytics YOLO mais expansivo e rico em funcionalidades 🙏!

Comentários